CN116071600B - 一种基于多分类概率的农作物遥感识别方法及装置 - Google Patents

一种基于多分类概率的农作物遥感识别方法及装置 Download PDF

Info

Publication number
CN116071600B
CN116071600B CN202310180253.0A CN202310180253A CN116071600B CN 116071600 B CN116071600 B CN 116071600B CN 202310180253 A CN202310180253 A CN 202310180253A CN 116071600 B CN116071600 B CN 116071600B
Authority
CN
China
Prior art keywords
classification
crop
image
classification probability
remote sensing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310180253.0A
Other languages
English (en)
Other versions
CN116071600A (zh
Inventor
许尔琪
高了然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202310180253.0A priority Critical patent/CN116071600B/zh
Publication of CN116071600A publication Critical patent/CN116071600A/zh
Application granted granted Critical
Publication of CN116071600B publication Critical patent/CN116071600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多分类概率的农作物遥感识别方法及装置，通过最优监督分类器对研究区影像集合中的每个像元进行农作物类型分类，得到并基于每个像元的初始农作物分类结果，提取每类农作物的影像分类概率，同时基于验证样本点数据，获取每类农作物的样本分类概率，设置多个判别阈值，将影像分类概率中低于判别阈值的像元进行去除，得到第一影像分类概率，计算各个判别阈值下第一影像分类概率和样本分类概率之间的相似性评估指标，确定并基于未知农作物类别的最终判别阈值，从生成的初始农作物分类空间分布图中提取出未知农作物类别的第一像元，得到研究区的最终农作物分类空间分布图，能在降低计算量的情况下，提高农作物类型识别的用户精度。

Description

一种基于多分类概率的农作物遥感识别方法及装置
技术领域
本发明涉及遥感识别的技术领域，特别是涉及一种基于多分类概率的农作物遥感识别方法及装置。
背景技术
农作物时空制图可以提供各种农作物种植区域在空间上的分布情况以及在时间上的变化过程，为农业可持续生产以及布局优化提供参考；基于遥感的农作物制图已经成为农作物时空制图的主要手段，其能够准确且高效地提取大范围不同农作物种植范围以及不同耕地采取的耕作方式。
现有的农作物遥感制图多采用监督分类，该方法是以农作物的光谱和物候特征作为分类依据，通过田间样本数据训练分类模型，实现对农作物的遥感识别，但现有技术中主要是依据训练样本，选择不同的分类识别特征和分类模型，从而实现了农作物类型的遥感识别。然而，上述研究在训练样本集合中的作物类别无法覆盖性应用场景中所有作物类别时，作物分类会出现偏差，具体如下：基于监督分类方法的农作物制图的假设前提是训练样本集合可以完全代表实际情况，在此基础上，分类器根据每个待分类像元和样本的光谱特征相似度，将任一像元分类为包含在训练样本集合中的某一种农作物类型。但由于农作物种植区域在空间上的不均匀分布，部分农作物类型种植面积很小以及采样过程中的人为因素影响，训练样本集合数据中往往缺少部分农作物类型，导致监督分类器在实际应用过程中，将不包含在样本集合中的农作物类型，可称之为“未知农作物”，错误分类为已经包含在样本中的某一种作物类型，大大降低了农作物识别的精度，尤其是遥感制图的用户精度。
为了解决上述问题，有学者通过综合多分类结果或基于深度学习的半监督分类模型实现了未知农作物类似的识别，但是，以上分类方法计算量太大、效率不高，限制了上述方法在大区域农作物制图中的应用；因此，亟须建立一种高精度和计算效率的作物分类方法，在样本只包含部分农作物类型的情况下，对不包含在样本集合中农作物类型进行识别，以此提高有样本农作物分类的精度。
发明内容
本发明要解决的技术问题是：提供一种基于多分类概率的农作物遥感制图遥感识别方法及装置，能在降低计算量的情况下，提高农作物类型识别的用户精度。
为了解决上述技术问题，本发明提供了一种基于多分类概率的农作物遥感识别方法及装置，包括：
获取研究区的多光谱遥感影像和合成孔径雷达影像，基于所述多光谱遥感影像和所述合成孔径雷达影像计算植被指数，构建所述研究区的影像集合；
获取各类农作物对应的样本点数据，并将所述样本点数据划分为训练样本点数据和验证样本点数据，基于所述训练样本点数据对监督分类器进行训练，得到最优监督分类器；
基于所述最优监督分类器对所述影像集合中的各个像元进行分类，得到各个像元对应的多分类概率，其中，所述多分类概率包括单个像元被分类为各类农作物的分类概率，选取所述多分类概率中的多分类概率最大值，将所述多分类概率最大值作为像元的初始分类概率，并将所述多分类概率最大值对应的农作物类别作为像元的初始农作物分类结果，生成研究区的初始农作物分类空间分布图；
将所述验证样本点数据输入到所述最优监督分类器中，获取并基于所述验证样本点数据中被成功分类的所有验证样本点，提取每类农作物对应的样本分类概率，其中，所述样本分类概率包括该类农作物对应的所有验证样本点数据所在像元被分类为该类农作物的分类概率；
基于初始农作物分类结果，提取每类农作物的影像分类概率，其中，所述影像分类概率包括该类农作物对应的所有像元及每个像元被分类为该类农作物的分类概率；
设置多个判别阈值，基于每个判别阈值，分别将所述影像分类概率中小于判别阈值的分类概率对应的像元的农作物类别设置为未知农作物类别，重新得到每个判别阈值下每类农作物的第一影像分类概率；
在各个判别阈值下，将每类农作物对应的所述样本分类概率和所述第一影像分类概率依据预设的分类概率区间进行划分，计算并基于每个分类概率区间中的像元数占比和样本数占比，分别计算同一判别阈值下每个分类概率区间中像元数占比和所述样本数占比的类欧式距离，并对每个分类概率区间对应的类欧式距离进行求和，得到每个判别阈值对应的相似性评估指标；
从每个判别阈值对应的相似性评估指标中选取相似性评估指标最小值，并将所述相似性评估指标最小值对应的判别阈值作为未知农作物类别的最终判别阈值；
基于所述最终判别阈值，从初始农作物分类空间分布图中提取初始分类概率小于所述最终判别阈值的第一像元，并将所述第一像元的农作物类别设置为未知农作物，得到研究区的最终农作物分类空间分布图。
在一种可能的实现方式中，基于所述多光谱遥感影像和所述合成孔径雷达影像计算植被指数，构建所述研究区的影像集合，具体包括：
计算所述多光谱遥感影像的归一化植被指数和棉花开花指数，生成归一化植被指数影像和棉花开花指数影像；
基于所述合成孔径雷达影像、所述归一化植被指数影像和所述棉花开花指数影像，采用最大值融合法构建归一化植被指数时间序列影像和合成孔径时间序列影像；
根据所述归一化植被指数时间序列影像，计算归一化植被指数变化率，根据所述归一化植被指数变化率，计算并得到归一化植被指数变化率时间序列影像，根据所述棉花开花指数影像，计算并得到棉花开花指数年度最大值影像，整合所述归一化植被指数时间序列影像、所述归一化植被指数变化率时间序列影像、所述合成孔径时间序列影像和所述棉花开花指数年度最大值影像，得到研究区的影像集合。
在一种可能的实现方式中，计算所述多光谱遥感影像的归一化植被指数和棉花开花指数，具体包括：
基于归一化植被指数计算公式，计算所述多光谱遥感影像的归一化植被指数，其中，所述归一化植被指数计算公式如下所示：
式中，NDVI为归一化植被指数，ρNir为多光谱遥感影像的近红波段的反射率，ρRed为多光谱遥感影像的红波段的反射率；
基于棉花开花指数计算公式，计算所述多光谱遥感影像的棉花开花指数，其中，所述棉花开花指数计算公式如下所示：
式中，WBI为棉花开花指数，ρBlue为多光谱遥感影像的蓝波段的反射率，ρGreen为多光谱遥感影像的绿波段的反射率，ρRE1为多光谱遥感影像的红边-1波段的反射率，ρRE2为多光谱遥感影像的红边-2波段的反射率，ρRE3为多光谱遥感影像的红边-3波段的反射率，为多光谱遥感影像的近红外(窄段)波段的反射率，/>为多光谱遥感影像的短波红外-1波段的反射率，/>为多光谱遥感影像的短波红外-2波段的反射率。
在一种可能的实现方式中，根据所述归一化植被指数时间序列影像，计算归一化植被指数变化率，具体包括：
根据所述归一化植被指数时间序列影像，通过归一化植被指数变化率计算公式，计算所述多光谱遥感影像的归一化植被指数变化率，其中，所述归一化植被指数变化率计算公式如下所示：
式中，NDVIDifference为归一化植被指数变化率，NDVIt+1和NDVIt为在时间点t+1时和t时多光谱遥感影像的归一化植被指数，Δt为归一化植被指数时间序列的时间分辨率。
在一种可能的实现方式中，获取各类农作物对应的样本点数据，具体包括：
获取每类农作物对应的历史样本数据，从所述历史样本数据中提取各个样本点对应像元的样本归一化植被指数时间序列；
基于所述样本归一化植被指数时间序列对各个样本点进行K均值聚类处理，得到并根据每类农作物的聚类结果，对每类农作物的所有样本点进行筛选，得到各类农作物对应的样本点数据。
在一种可能的实现方式中，基于所述训练样本点数据对监督分类器进行训练，得到最优监督分类器，具体包括：
基于所述训练样本点数据对监督分类器进行训练，并基于K折交叉验证法对所述监督分类器进行分类精度评估，得到分类器分类精度；
判断所述分类器分类精度是否满足预设精度阈值，若否，则调整所述监督分类器的分类器参数，直至所述分类器分类精度满足预设精度阈值，得到最优监督分类器。
在一种可能的实现方式中，分别计算同一判别阈值下每个分类概率区间中像元数占比和所述样本数占比的类欧式距离；其中，所述类欧式距离的计算公式如下所示：
式中，d为类欧式距离，为农作物i的第一影像分类概率在分类概率区间[k,k+0.1的像元数占比，/>为农作物i的样本分类概率在分类概率区间[k,k+0.1的样本数占比，a为超参数，取值为0.1，/>为农作物i的第一影像分类概率在分类概率区间[k,k+0.1的像元数，/>为农作物i的样本分类概率在分类概率区间[k,k+0.1的样本数，为农作物i的第一影像分类概率在分类概率区间[j,0.9的像元数总数，为农作物i的样本分类概率在分类概率区间[0,0.9的样本数总数。
本发明还提供了一种基于多分类概率的农作物遥感识别装置，包括：研究区遥感影像获取模块、监督分类器训练模块、初始农作物分类空间分布图生成模块、样本分类概率获取模块、影像分类概率获取模块、判别阈值设定模块、相似性评估指标获取模块、最终判别阈值确定模块和最终农作物分类空间分布图生成模块；
其中，所述研究区遥感影像获取模块，用于获取研究区的多光谱遥感影像和合成孔径雷达影像，基于所述多光谱遥感影像和所述合成孔径雷达影像计算植被指数，构建所述研究区的影像集合；
所述监督分类器训练模块，用于获取各类农作物对应的样本点数据，并将所述样本点数据划分为训练样本点数据和验证样本点数据，基于所述训练样本点数据对监督分类器进行训练，得到最优监督分类器；
所述初始农作物分类空间分布图生成模块，用于基于所述最优监督分类器对所述影像集合中的各个像元进行分类，得到各个像元对应的多分类概率，其中，所述多分类概率包括单个像元被分类为各类农作物的分类概率，选取所述多分类概率中的多分类概率最大值，将所述多分类概率最大值作为像元的初始分类概率，并将所述多分类概率最大值对应的农作物类别作为像元的初始农作物分类结果，生成研究区的初始农作物分类空间分布图；
所述样本分类概率获取模块，用于将所述验证样本点数据输入到所述最优监督分类器中，获取并基于所述验证样本点数据中被成功分类的所有验证样本点，提取每类农作物对应的样本分类概率，其中，所述样本分类概率包括该类农作物对应的所有验证样本点数据所在像元被分类为该类农作物的分类概率；
所述影像分类概率获取模块，用于基于初始农作物分类结果，提取每类农作物的影像分类概率，其中，所述影像分类概率包括该类农作物对应的所有像元及每个像元被分类为该类农作物的分类概率；
所述判别阈值设定模块，用于设置多个判别阈值，基于每个判别阈值，分别将所述影像分类概率中小于判别阈值的分类概率对应的像元的农作物类别设置为未知农作物类别，重新得到每个判别阈值下每类农作物的第一影像分类概率；
所述相似性评估指标获取模块，用于在各个判别阈值下，将每类农作物对应的所述样本分类概率和所述第一影像分类概率依据预设的分类概率区间进行划分，计算并基于每个分类概率区间中的像元数占比和样本数占比，分别计算同一判别阈值下每个分类概率区间中像元数占比和所述样本数占比的类欧式距离，并对每个分类概率区间对应的类欧式距离进行求和，得到每个判别阈值对应的相似性评估指标；
所述最终判别阈值确定模块，用于从每个判别阈值对应的相似性评估指标中选取相似性评估指标最小值，并将所述相似性评估指标最小值对应的判别阈值作为未知农作物类别的最终判别阈值；
所述最终农作物分类空间分布图生成模块，用于基于所述最终判别阈值，从初始农作物分类空间分布图中提取初始分类概率小于所述最终判别阈值的第一像元，并将所述第一像元的农作物类别设置为未知农作物，得到研究区的最终农作物分类空间分布图。
在一种可能的实现方式中，所述研究区遥感影像获取模块，用于基于所述多光谱遥感影像和所述合成孔径雷达影像计算植被指数，构建所述研究区的影像集合，具体包括：
计算所述多光谱遥感影像的归一化植被指数和棉花开花指数，生成归一化植被指数影像和棉花开花指数影像；
基于所述合成孔径雷达影像、所述归一化植被指数影像和所述棉花开花指数影像，采用最大值融合法构建归一化植被指数时间序列影像和合成孔径时间序列影像；
根据所述归一化植被指数时间序列影像，计算归一化植被指数变化率，根据所述归一化植被指数变化率，计算并得到归一化植被指数变化率时间序列影像，根据所述棉花开花指数影像，计算并得到棉花开花指数年度最大值影像，整合所述归一化植被指数时间序列影像、所述归一化植被指数变化率时间序列影像、所述合成孔径时间序列影像和所述棉花开花指数年度最大值影像，得到研究的影像集合。
在一种可能的实现方式中，所述研究区遥感影像获取模块，用于计算所述多光谱遥感影像的归一化植被指数和棉花开花指数，具体包括：
基于归一化植被指数计算公式，计算所述多光谱遥感影像的归一化植被指数，其中，所述归一化植被指数计算公式如下所示：
式中，NDVI为归一化植被指数，ρNir为多光谱遥感影像的近红波段的反射率，ρRed为多光谱遥感影像的红波段的反射率；
基于棉花开花指数计算公式，计算所述多光谱遥感影像的棉花开花指数，其中，所述棉花开花指数计算公式如下所示：
式中，WBI为棉花开花指数，ρBlue为多光谱遥感影像的蓝波段的反射率，ρGreen为多光谱遥感影像的绿波段的反射率，ρRE1为多光谱遥感影像的红边-1波段的反射率，ρRE2为多光谱遥感影像的红边-2波段的反射率，ρRE3为多光谱遥感影像的红边-3波段的反射率，为多光谱遥感影像的近红外(窄段)波段的反射率，/>为多光谱遥感影像的短波红外-1波段的反射率，/>为多光谱遥感影像的短波红外-2波段的反射率。
在一种可能的实现方式中，所述研究区遥感影像获取模块，用于根据所述归一化植被指数时间序列影像，计算归一化植被指数变化率，具体包括：
根据所述归一化植被指数时间序列影像，通过归一化植被指数变化率计算公式，计算所述多光谱遥感影像的归一化植被指数变化率，其中，所述归一化植被指数变化率计算公式如下所示：
式中，NDVIDifference为归一化植被指数变化率，NDVIt+1和NDVIt为在时间点t+1时和t时多光谱遥感影像的归一化植被指数，Δt为归一化植被指数时间序列的时间分辨率。
在一种可能的实现方式中，所述监督分类器训练模块，用于获取各类农作物对应的样本点数据，具体包括：
获取每类农作物对应的历史样本数据，从所述历史样本数据中提取各个样本点对应像元的样本归一化植被指数时间序列；
基于所述样本归一化植被指数时间序列对各个样本点进行K均值聚类处理，得到并根据每类农作物的聚类结果，对每类农作物的所有样本点进行筛选，得到各类农作物对应的样本点数据。
在一种可能的实现方式中，所述监督分类器训练模块，用于基于所述训练样本点数据对监督分类器进行训练，得到最优监督分类器，具体包括：
基于所述训练样本点数据对监督分类器进行训练，并基于K折交叉验证法对所述监督分类器进行分类精度评估，得到分类器分类精度；
判断所述分类器分类精度是否满足预设精度阈值，若否，则调整所述监督分类器的分类器参数，直至所述分类器分类精度满足预设精度阈值，得到最优监督分类器。
在一种可能的实现方式中，所述相似性评估指标获取模块，用于分别计算同一判别阈值下每个分类概率区间中像元数占比和所述样本数占比的类欧式距离；其中，所述类欧式距离的计算公式如下所示：
式中，d为类欧式距离，为农作物i的第一影像分类概率在分类概率区间[k,k+0.1的像元数占比，/>为农作物i的样本分类概率在分类概率区间[k,k+0.1的样本数占比，a为超参数，取值为0.1，/>为农作物i的第一影像分类概率在分类概率区间[k,k+0.1的像元数，/>为农作物i的样本分类概率在分类概率区间[k,k+0.1的样本数，为农作物i的第一影像分类概率在分类概率区间[j,0.9的像元数总数，为农作物i的样本分类概率在分类概率区间[0,0.9的样本数总数。
本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的基于多分类概率的农作物遥感识别方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的基于多分类概率的农作物遥感识别方法。
本发明实施例一种基于多分类概率的农作物遥感识别方法及装置，与现有技术相比，具有如下有益效果：
通过最优监督分类器对研究区影像集合中的每个像元进行农作物类型分类，得到并基于每个像元的初始农作物分类结果，提取每类农作物的影像分类概率，同时基于验证样本点数据，获取每类农作物的样本分类概率，设置多个判别阈值，将影像分类概率中低于判别阈值的像元设置为未知农作物，并去除类别为未知农作物的像元，得到各个判别阈值条件下的第一影像分类概率，计算各个判别阈值下第一影像分类概率和样本分类概率之间的相似性评估指标，通过相似性评估指标最小值确定并基于未知农作物类别的最终判别阈值，从生成的初始农作物分类空间分布图中提取出农作物类型为未知农作物的第一像元，得到研究区的最终农作物分类空间分布图；与现有技术相比，本发明通过影像分类概率和样本分类概率的相似性判别，且通过最小化已知农作物分类结果的遥感分类概率和该类样本的分类概率之间的差异，确定未知农作物的最终判别阈值，实现了未知作物判别阈值的智能化筛选，有效解决了现有方法中未知农作物类似难以识别、存在不确定性偏差的难点，自动化程度高，具有可移植性，且基于未知农作物的最终判别阈值提取初始分类结果中被误分为已知农作物类型的未知农作物的第一像元，提高了农作物分类的精度，且较于具有相同功能的监督分类算法，计算量小，计算效率高。
附图说明
图1是本发明提供的一种基于多分类概率的农作物遥感识别方法的一种实施例的流程示意图；
图2是本发明提供的一种基于多分类概率的农作物遥感识别装置的一种实施例的结构示意图。
具体实施方式
下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
参见图1，图1是本发明提供的一种基于多分类概率的农作物遥感识别方法的一种实施例的流程示意图，如图1所示，该方法包括步骤101-步骤109，具体如下：
步骤101：获取研究区的多光谱遥感影像和合成孔径雷达影像，基于所述多光谱遥感影像和所述合成孔径雷达影像计算植被指数，构建所述研究区的影像集合。
一实施例中，基于GEE平台获取预设年份全年的研究区的多光谱遥感影像和合成孔径雷达影像；优选的，本实施例选择2020年Sentinel-2卫星的MSI传感器的SR多光谱遥感影像，包括多光谱遥感影像的全部波段以及Sentinel-1的合成孔径雷达影像的VV波段作为示例；质量波段为多光谱遥感影像的QA60波段，并基于GEE平台上自带的去云算法对多光谱遥感影像进行去云处理。
一实施例中，计算所述多光谱遥感影像的归一化植被指数和棉花开花指数，并基于计算得到的归一化植被指数和棉花开花指数，生成归一化植被指数影像和棉花开花指数影像。
具体的，基于归一化植被指数计算公式，计算所述多光谱遥感影像的归一化植被指数，其中，所述归一化植被指数计算公式如下所示：
式中，NDVI为归一化植被指数，ρNir为多光谱遥感影像的近红波段的反射率，ρRed为多光谱遥感影像的红波段的反射率；
具体的，基于棉花开花指数计算公式，计算所述多光谱遥感影像的棉花开花指数，其中，所述棉花开花指数计算公式如下所示：
式中，WBI为棉花开花指数，ρBlue为多光谱遥感影像的蓝波段的反射率，ρGreen为多光谱遥感影像的绿波段的反射率，ρRE1为多光谱遥感影像的红边-1波段的反射率，ρRE2为多光谱遥感影像的红边-2波段的反射率，ρRE3为多光谱遥感影像的红边-3波段的反射率，为多光谱遥感影像的近红外(窄段)波段的反射率，/>为多光谱遥感影像的短波红外-1波段的反射率，/>为多光谱遥感影像的短波红外-2波段的反射率。
一实施例中，基于所述合成孔径雷达影像、所述归一化植被指数影像和所述棉花开花指数影像，采用最大值融合法构建归一化植被指数时间序列影像和合成孔径时间序列影像，其中，构建的归一化植被指数时间序列影像和合成孔径时间序列影像的时间间隔为16天。
一实施例中，根据所述归一化植被指数时间序列影像，计算归一化植被指数变化率，根据所述归一化植被指数变化率，计算并得到归一化植被指数变化率时间序列影像。
具体的，根据所述归一化植被指数时间序列影像，通过归一化植被指数变化率计算公式，计算所述多光谱遥感影像的归一化植被指数变化率，其中，所述归一化植被指数变化率计算公式如下所示：
式中，NDVIDifference为归一化植被指数变化率，NDVIt+1和NDVIt为在时间点t+1时和t时多光谱遥感影像的归一化植被指数，Δt为归一化植被指数时间序列的时间分辨率。
一实施例中，根据所述棉花开花指数影像，计算并得到棉花开花指数年度最大值影像。
一实施例中，通过整合所述归一化植被指数时间序列影像、所述归一化植被指数变化率时间序列影像、所述合成孔径时间序列影像和所述棉花开花指数年度最大值影像，得到研究区的影像集合。
步骤102：获取各类农作物对应的样本点数据，并将所述样本点数据划分为训练样本点数据和验证样本点数据，基于所述训练样本点数据对监督分类器进行训练，得到最优监督分类器。
一实施例中，获取每类农作物对应的历史样本数据，从所述历史样本数据中提取各个样本点对应像元的样本归一化植被指数时间序列。
一实施例中，基于所述样本归一化植被指数时间序列，通过K均值聚类对各个样本点进行非监督分类，得到并根据每类农作物的聚类结果，对每类农作物的所有样本点进行筛选，得到各类农作物对应的样本点数据。
具体的，在进行K均值聚类时，设置聚类数量为4，并在得到每类农作物的聚类结果后，提取每类农作物的聚类结果中样本数量较少以及和大多数样本归一化植被指数时间序列曲线形态不一致的第一样本点，对所述第一样本点进行去除，并将剩下的样本点作为后续进行监督分类器训练的样本点数据。
一实施例中，将所述样本点数据划分为训练样本点数据和验证样本点数据；具体的，从样本点数据中随机选取70％的样本点作为训练样本点数据，并将剩下的30％样本点作为验证样本点数据。
一实施例中，基于所述训练样本点数据对监督分类器进行训练，并基于K折交叉验证法对所述监督分类器进行分类精度评估，得到分类器分类精度；判断所述分类器分类精度是否满足预设精度阈值，若否，则调整所述监督分类器的分类器参数，直至所述分类器分类精度满足预设精度阈值，得到最优监督分类器。
具体的，基于K折交叉验证法对所述监督分类器进行分类精度评估时，设置K值为4，以保证在每次分类器训练以及验证过程中的样本数据不会太少，且在进行分类精度评估时，以每次训练的总体精度以及kappa系数作为分量精度的评价指标，通过K折交叉验证的结果不断调整监督分类器中的参数，使得监督分类器的精度达到最好。
步骤103：基于所述最优监督分类器对所述影像集合中的各个像元进行分类，得到各个像元对应的多分类概率，其中，所述多分类概率包括单个像元被分类为各类农作物的分类概率，选取所述多分类概率中的多分类概率最大值，将所述多分类概率最大值作为像元的初始分类概率，并将所述多分类概率最大值对应的农作物类别作为像元的初始农作物分类结果，生成研究区的初始农作物分类空间分布图。
一实施例中，基于所述最优监督分类器对所述影像集合中的各个像元进行分类时，过setOutputMode("MULTIPROBABILITY")函数，将监督分类器的输出结果转变为像元被分为各个已知农作物类别的概率，即各个像元对应的多分类概率，生成多分类概率结果图；基于多分类概率结果图，通过.max()函数获取各个像元的多分类概率最大值，将多分类概率最大值对应的农作物类别作为该像元的初始农作物分类结果，其中，初始农作物分类结果包括像元的初始农作物类别以及该初始农作物类别对应的分类概率。
一实施例中，整合所有像元对应的初始农作物分类结果，生成研究区的初始农作物分类空间分布图。
步骤104：将所述验证样本点数据输入到所述最优监督分类器中，获取并基于所述验证样本点数据中被成功分类的所有验证样本点，提取每类农作物对应的样本分类概率，其中，所述样本分类概率包括该类农作物对应的所有验证样本点数据所在像元被分类为该类农作物的分类概率。
一实施例中，将所述验证样本点数据输入到所述最优监督分类器后，获取所述最优监督分类器对所述验证样本点的样本分类结果，并将所述样本分类结果与验证样本点对应的农作物类型标签进行对比，获取并基于所述验证样本点数据中被成功分类的所有验证样本点，提取每类农作物对应的样本分类概率，即被成功分类的所有已知农作物类别的验证样本点所在像元被分类为所属类农作物类别的分类概率。
步骤105：基于初始农作物分类结果，提取每类农作物的影像分类概率，其中，所述影像分类概率包括该类农作物对应的所有像元及每个像元被分类为该类农作物的概率。
一实施例中，根据初始农作物分类结果，从初始农作物分类结果中提取初始农作物类别相同的所有像元及其对应的分类概率；作为本实施例中的一种举例说明，获取初始农作物分类结果中被分类为第一类农作物的所有像元，同时整合该所有像元被分类为第一类农作物的概率，生成第一类农作物的影像分类概率。
步骤106：设置多个判别阈值，基于每个判别阈值，分别将所述影像分类概率中小于判别阈值的分类概率对应的像元的农作物类别设置为未知农作物类别，重新得到每个判别阈值下每类农作物的第一影像分类概率。
一实施例中，由于初始农作物分类结果中初始农作物类别和训练样本点对应的农作物类别有关，因此通过监督分类器对影像集合中的像元进行分类时，会出现将部分未知农作物类别的像元分类为已知的农作物类别，导致与样本分类概率的数值分布相比，影像分类概率的数值分布向低概率区间偏移，基于此，通过设置判别阈值，分别将影像分类概率中分类概率低于判别阈值的像元对应的农作物类型划分为未知农作物类型，重新提取在各区间每一种农作物修订后的影像分类概率的数值分布。
一实施例中，设置的多个判别阈值分别为0.1、0.2、0.3、0.4和0.5；基于每个判别阈值，分别将影像分类概率低于判别阈值的像元对应的农作物类型划分为未知农作物类型，以使得到不同判别阈值对应的第一影像分类概率。
步骤107：在各个判别阈值下，将每类农作物对应的所述样本分类概率和所述第一影像分类概率依据预设的分类概率区间进行划分，计算并基于每个分类概率区间中的像元数占比和样本数占比，分别计算同一判别阈值下每个分类概率区间中像元数占比和所述样本数占比的类欧式距离，并对每个分类概率区间对应的类欧式距离进行求和，得到每个判别阈值对应的相似性评估指标。
一实施例中，在各个判别阈值下，将每类农作物对应的所述样本分类概率和所述第一影像分类概率依据预设的分类概率区间进行划分；具体的，以0.1为间隔，将上述样本分类概率和第一影像分类概率在[0,1的范围内分为等间隔的10个分类概率区间，即分类概率区间k的取值可以为[0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9。
一实施例中，基于像元数占比计算公式，计算每个分类概率区间中的像元数占比，其中，所述像元数占比计算公式如下所示：
式中，为农作物i的第一影像分类概率在分类概率区间[k,k+0.1的像元数占比，/>为农作物i的第一影像分类概率在分类概率区间[k,k+0.1的像元数，为农作物i的第一影像分类概率在分类概率区间[k,k+0.1的像元数，j为判别阈值，j∈(0.1,0.2,0.3,0.4,0.5。
一实施例中，基于样本数占比计算公式，计算每个分类概率区间中的样本数占比，其中，所述样本数占比计算公式如下所示：
式中，为农作物i的样本分类概率在分类概率区间[k,k+0.1的样本数占比，为农作物i的样本分类概率在分类概率区间[k,k+0.1的样本数，/>为农作物i的样本分类概率在分类概率区间[k,k+0.1的样本数。
一实施例中，基于每个分类概率区间中的像元数占比和样本数占比，分别计算同一判别阈值下每个分类概率区间中像元数占比和所述样本数占比的类欧式距离，其中，所述类欧式距离的计算公式如下所示：
式中，d为类欧式距离，为农作物i的第一影像分类概率在分类概率区间[k,k+0.1的像元数占比，/>为农作物i的样本分类概率在分类概率区间[k,k+0.1的样本数占比，a为超参数，取值为0.1，/>为农作物i的第一影像分类概率在分类概率区间[k,k+0.1的像元数，/>为农作物i的样本分类概率在分类概率区间[k,k+0.1的样本数，为农作物i的第一影像分类概率在分类概率区间[j,0.9的像元数总数，为农作物i的样本分类概率在分类概率区间[0,0.9的样本数总数。
一实施例中，在阈值条件为j的条件下，对每个分类概率区间对应的类欧式距离进行求和，得到每个判别阈值对应的相似性评估指标，其中，相似性评估指标计算公式如下所示：
步骤108：从每个判别阈值对应的相似性评估指标中选取相似性评估指标最小值，并将所述相似性评估指标最小值对应的判别阈值作为未知农作物类别的最终判别阈值。
一实施例中，所述最终判别阈值为未知农作物分类标准，即对于已知农作物类型i而言，从其初始分类结果中提取未知农作物对应像元的标准，像元分类概率最大值高于此标准的为真正属于已知农作物类型i的像元，而低于此标准的像元则为未知农作物。
步骤109：基于所述最终判别阈值，从初始农作物分类空间分布图中提取初始分类概率小于所述最终判别阈值的第一像元，并将所述第一像元的农作物类别设置为未知农作物，得到研究区的最终农作物分类空间分布图。
一实施例中，基于最终判别阈值，重新对初始农作物分类空间分布图中的每个像元对应的分类概率进行重新判别，以使将初始农作物分类空间分布图中的未知农作物提取出来，以实现在样本数据覆盖不全的情况下对未知农作物类型的识别，能提高对研究区农作物类别分类的准确性，并基于提取出来的农作物类别为未知农作物的第一像元，对所述初始农作物分类空间分布图进行调整和掩膜，得到研究区的最终农作物分类空间分布图。
综上，本发明提供的一种基于多分类概率的农作物遥感识别方法，基于农作物分类概率特征，通过监督分类可估计每一像元被分为已知各种农作物类别的概率值，通过影像分类概率和样本分类概率的相似性判别，且通过最小化已知农作物分类结果的遥感分类概率和该类样本的分类概率之间的差异，确定未知农作物的最终判别阈值，实现了未知作物判别阈值的智能化筛选，有效解决了现有方法中未知农作物类似难以识别、存在不确定性偏差的难点，自动化程度高，具有可移植性，且基于未知农作物的最终判别阈值提取初始分类结果中被误分为已知农作物类型的未知农作物的第一像元，提高了农作物分类的精度。
实施例2
参见图2，图2是本发明提供的一种基于多分类概率的农作物遥感识别装置的一种实施例的结构示意图，如图2所示，该装置包括研究区遥感影像获取模块201、监督分类器训练模块202、初始农作物分类空间分布图生成模块203、样本分类概率获取模块204、影像分类概率获取模块205、判别阈值设定模块206、相似性评估指标获取模块207、最终判别阈值确定模块208和最终农作物分类空间分布图生成模块209，具体如下：
所述研究区遥感影像获取模块201，用于获取研究区的多光谱遥感影像和合成孔径雷达影像，基于所述多光谱遥感影像和所述合成孔径雷达影像计算植被指数，构建所述研究区的影像集合。
所述监督分类器训练模块202，用于获取各类农作物对应的样本点数据，并将所述样本点数据划分为训练样本点数据和验证样本点数据，基于所述训练样本点数据对监督分类器进行训练，得到最优监督分类器。
所述初始农作物分类空间分布图生成模块203，用于基于所述最优监督分类器对所述影像集合中的各个像元进行分类，得到各个像元对应的多分类概率，其中，所述多分类概率包括单个像元被分类为各类农作物的分类概率，选取所述多分类概率中的多分类概率最大值，将所述多分类概率最大值作为像元的初始分类概率，并将所述多分类概率最大值对应的农作物类别作为像元的初始农作物分类结果，生成研究区的初始农作物分类空间分布图。
所述样本分类概率获取模块204，用于将所述验证样本点数据输入到所述最优监督分类器中，获取并基于所述验证样本点数据中被成功分类的所有验证样本点，提取每类农作物对应的样本分类概率，其中，所述样本分类概率包括该类农作物对应的所有验证样本点数据所在像元被分类为该类农作物的分类概率。
所述影像分类概率获取模块205，用于基于初始农作物分类结果，提取每类农作物的影像分类概率，其中，所述影像分类概率包括该类农作物对应的所有像元及每个像元被分类为该类农作物的分类概率。
所述判别阈值设定模块206，用于设置多个判别阈值，基于每个判别阈值，分别将所述影像分类概率中小于判别阈值的分类概率对应的像元的农作物类别设置为未知农作物类别，重新得到每个判别阈值下每类农作物的第一影像分类概率。
所述相似性评估指标获取模块207，用于在各个判别阈值下，将每类农作物对应的所述样本分类概率和所述第一影像分类概率依据预设的分类概率区间进行划分，计算并基于每个分类概率区间中的像元数占比和样本数占比，分别计算同一判别阈值下每个分类概率区间中像元数占比和所述样本数占比的类欧式距离，并对每个分类概率区间对应的类欧式距离进行求和，得到每个判别阈值对应的相似性评估指标。
所述最终判别阈值确定模块208，用于从每个判别阈值对应的相似性评估指标中选取相似性评估指标最小值，并将所述相似性评估指标最小值对应的判别阈值作为未知农作物类别的最终判别阈值。
所述最终农作物分类空间分布图生成模块209，用于基于所述最终判别阈值，从初始农作物分类空间分布图中提取初始分类概率小于所述最终判别阈值的第一像元，并将所述第一像元的农作物类别设置为未知农作物，得到研究区的最终农作物分类空间分布图。
一实施例中，所述研究区遥感影像获取模块201，用于基于所述多光谱遥感影像和所述合成孔径雷达影像计算植被指数，构建所述研究区的影像集合，具体包括：计算所述多光谱遥感影像的归一化植被指数和棉花开花指数，生成归一化植被指数影像和棉花开花指数影像；基于所述合成孔径雷达影像、所述归一化植被指数影像和所述棉花开花指数影像，采用最大值融合法构建归一化植被指数时间序列影像和合成孔径时间序列影像；根据所述归一化植被指数时间序列影像，计算归一化植被指数变化率，根据所述归一化植被指数变化率，计算并得到归一化植被指数变化率时间序列影像，根据所述棉花开花指数影像，计算并得到棉花开花指数年度最大值影像，整合所述归一化植被指数时间序列影像、所述归一化植被指数变化率时间序列影像、所述合成孔径时间序列影像和所述棉花开花指数年度最大值影像，得到研究的影像集合。
一实施例中，所述研究区遥感影像获取模块201，用于计算所述多光谱遥感影像的归一化植被指数和棉花开花指数，具体包括：基于归一化植被指数计算公式，计算所述多光谱遥感影像的归一化植被指数，其中，所述归一化植被指数计算公式如下所示：
式中，NDVI为归一化植被指数，ρNir为多光谱遥感影像的近红波段的反射率，ρRed为多光谱遥感影像的红波段的反射率；
基于棉花开花指数计算公式，计算所述多光谱遥感影像的棉花开花指数，其中，所述棉花开花指数计算公式如下所示：
式中，WBI为棉花开花指数，ρBlue为多光谱遥感影像的蓝波段的反射率，ρGreen为多光谱遥感影像的绿波段的反射率，ρRE1为多光谱遥感影像的红边-1波段的反射率，ρRE2为多光谱遥感影像的红边-2波段的反射率，ρRE3为多光谱遥感影像的红边-3波段的反射率，为多光谱遥感影像的近红外(窄段)波段的反射率，/>为多光谱遥感影像的短波红外-1波段的反射率，/>为多光谱遥感影像的短波红外-2波段的反射率。
一实施例中，所述研究区遥感影像获取模块201，用于根据所述归一化植被指数时间序列影像，计算归一化植被指数变化率，具体包括：根据所述归一化植被指数时间序列影像，通过归一化植被指数变化率计算公式，计算所述多光谱遥感影像的归一化植被指数变化率，其中，所述归一化植被指数变化率计算公式如下所示：
式中，NDVIDifference为归一化植被指数变化率，NDVIt+1和NDVIt为在时间点t+1时和t时多光谱遥感影像的归一化植被指数，Δt为归一化植被指数时间序列的时间分辨率。
一实施例中，所述监督分类器训练模块202，用于获取各类农作物对应的样本点数据，具体包括：获取每类农作物对应的历史样本数据，从所述历史样本数据中提取各个样本点对应像元的样本归一化植被指数时间序列；基于所述样本归一化植被指数时间序列对各个样本点进行K均值聚类处理，得到并根据每类农作物的聚类结果，对每类农作物的所有样本点进行筛选，得到各类农作物对应的样本点数据。
一实施例中，所述监督分类器训练模块202，用于基于所述训练样本点数据对监督分类器进行训练，得到最优监督分类器，具体包括：基于所述训练样本点数据对监督分类器进行训练，并基于K折交叉验证法对所述监督分类器进行分类精度评估，得到分类器分类精度；判断所述分类器分类精度是否满足预设精度阈值，若否，则调整所述监督分类器的分类器参数，直至所述分类器分类精度满足预设精度阈值，得到最优监督分类器。
一实施例中，所述相似性评估指标获取模块207，用于分别计算同一判别阈值下每个分类概率区间中像元数占比和所述样本数占比的类欧式距离；其中，所述类欧式距离的计算公式如下所示：
式中，d为类欧式距离，为农作物i的第一影像分类概率在分类概率区间[k,k+0.1的像元数占比，/>为农作物i的样本分类概率在分类概率区间[k,k+0.1的样本数占比，a为超参数，取值为0.1，/>为农作物i的第一影像分类概率在分类概率区间[k,k+0.1的像元数，/>为农作物i的样本分类概率在分类概率区间[k,k+0.1的样本数，为农作物i的第一影像分类概率在分类概率区间[j,0.9的像元数总数，为农作物i的样本分类概率在分类概率区间[0,0.9的样本数总数。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不在赘述。
需要说明的是，上述基于多分类概率的农作物遥感识别装置的实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
在上述的基于多分类概率的农作物遥感识别方法的实施例的基础上，本发明另一实施例提供了一种基于多分类概率的农作物遥感识别终端设备，该基于多分类概率的农作物遥感识别终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时，实现本发明任意一实施例的基于多分类概率的农作物遥感识别方法。
示例性的，在这一实施例中所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于多分类概率的农作物遥感识别终端设备中的执行过程。
所述基于多分类概率的农作物遥感识别终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于多分类概率的农作物遥感识别终端设备可包括，但不仅限于，处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于多分类概率的农作物遥感识别终端设备的控制中心，利用各种接口和线路连接整个基于多分类概率的农作物遥感识别终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于多分类概率的农作物遥感识别终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述基于多分类概率的农作物遥感识别方法的实施例的基础上，本发明另一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时，控制所述存储介质所在的设备执行本发明任意一实施例的基于多分类概率的农作物遥感识别方法。
在这一实施例中，上述存储介质为计算机可读存储介质，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
综上，本发明公开的一种基于多分类概率的农作物遥感识别方法及装置，通过最优监督分类器对研究区影像集合中的每个像元进行农作物类型分类，得到并基于每个像元的初始农作物分类结果，提取每类农作物的影像分类概率，同时基于验证样本点数据，获取每类农作物的样本分类概率，设置多个判别阈值，将影像分类概率中低于判别阈值的像元设置为未知农作物，并去除类别为未知农作物的像元，得到各个判别阈值条件下的第一影像分类概率，计算各个判别阈值下第一影像分类概率和样本分类概率之间的相似性评估指标，通过相似性评估指标最小值确定并基于未知农作物类别的最终判别阈值，从生成的初始农作物分类空间分布图中提取出农作物类型为未知农作物的第一像元，得到研究区的最终农作物分类空间分布图，能在降低计算量的情况下，提高农作物类型识别的用户精度。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (10)

1.一种基于多分类概率的农作物遥感识别方法，其特征在于，包括：
获取研究区的多光谱遥感影像和合成孔径雷达影像，基于所述多光谱遥感影像和所述合成孔径雷达影像计算植被指数，构建所述研究区的影像集合；
获取各类农作物对应的样本点数据，并将所述样本点数据划分为训练样本点数据和验证样本点数据，基于所述训练样本点数据对监督分类器进行训练，得到最优监督分类器；
基于所述最优监督分类器对所述影像集合中的各个像元进行分类，得到各个像元对应的多分类概率，其中，所述多分类概率包括单个像元被分类为各类农作物的分类概率，选取所述多分类概率中的多分类概率最大值，将所述多分类概率最大值作为像元的初始分类概率，并将所述多分类概率最大值对应的农作物类别作为像元的初始农作物分类结果，生成研究区的初始农作物分类空间分布图；
将所述验证样本点数据输入到所述最优监督分类器中，获取并基于所述验证样本点数据中被成功分类的所有验证样本点，提取每类农作物对应的样本分类概率，其中，所述样本分类概率包括该类农作物对应的所有验证样本点数据所在像元被分类为该类农作物的分类概率；
基于初始农作物分类结果，提取每类农作物的影像分类概率，其中，所述影像分类概率包括该类农作物对应的所有像元及每个像元被分类为该类农作物的分类概率；
设置多个判别阈值，基于每个判别阈值，分别将所述影像分类概率中小于判别阈值的分类概率对应的像元的农作物类别设置为未知农作物类别，重新得到每个判别阈值下每类农作物的第一影像分类概率；
在各个判别阈值下，将每类农作物对应的所述样本分类概率和所述第一影像分类概率依据预设的分类概率区间进行划分，计算并基于每个分类概率区间中的像元数占比和样本数占比，分别计算每个分类概率区间中像元数占比和所述样本数占比的类欧式距离，并对每个分类概率区间对应的类欧式距离进行求和，得到每个判别阈值对应的相似性评估指标；
从每个判别阈值对应的相似性评估指标中选取相似性评估指标最小值，并将所述相似性评估指标最小值对应的判别阈值作为未知农作物类别的最终判别阈值；
基于所述最终判别阈值，从初始农作物分类空间分布图中提取初始分类概率小于所述最终判别阈值的第一像元，并将所述第一像元的农作物类别设置为未知农作物，得到研究区的最终农作物分类空间分布图。
2.如权利要求1所述的一种基于多分类概率的农作物遥感识别方法，其特征在于，基于所述多光谱遥感影像和所述合成孔径雷达影像计算植被指数，构建所述研究区的影像集合，具体包括：
计算所述多光谱遥感影像的归一化植被指数和棉花开花指数，生成归一化植被指数影像和棉花开花指数影像；
基于所述合成孔径雷达影像、所述归一化植被指数影像和所述棉花开花指数影像，采用最大值融合法构建归一化植被指数时间序列影像和合成孔径时间序列影像；
根据所述归一化植被指数时间序列影像，计算归一化植被指数变化率，根据所述归一化植被指数变化率，计算并得到归一化植被指数变化率时间序列影像，根据所述棉花开花指数影像，计算并得到棉花开花指数年度最大值影像，整合所述归一化植被指数时间序列影像、所述归一化植被指数变化率时间序列影像、所述合成孔径时间序列影像和所述棉花开花指数年度最大值影像，得到研究区的影像集合。
3.如权利要求2所述的一种基于多分类概率的农作物遥感识别方法，其特征在于，计算所述多光谱遥感影像的归一化植被指数和棉花开花指数，具体包括：
基于归一化植被指数计算公式，计算所述多光谱遥感影像的归一化植被指数，其中，所述归一化植被指数计算公式如下所示：
式中，NDVI为归一化植被指数，ρNir为多光谱遥感影像的近红波段的反射率，ρRed为多光谱遥感影像的红波段的反射率；
基于棉花开花指数计算公式，计算所述多光谱遥感影像的棉花开花指数，其中，所述棉花开花指数计算公式如下所示：
式中，WBI为棉花开花指数，ρBlue为多光谱遥感影像的蓝波段的反射率，ρGreen为多光谱遥感影像的绿波段的反射率，ρRE1为多光谱遥感影像的红边-1波段的反射率，ρRE2为多光谱遥感影像的红边-2波段的反射率，ρRE3为多光谱遥感影像的红边-3波段的反射率，ρNirnarrow为多光谱遥感影像的近红外波段的反射率，ρSWIR1为多光谱遥感影像的短波红外-1波段的反射率，ρSWIR2为多光谱遥感影像的短波红外-2波段的反射率。
4.如权利要求2所述的一种基于多分类概率的农作物遥感识别方法，其特征在于，根据所述归一化植被指数时间序列影像，计算归一化植被指数变化率，具体包括：
根据所述归一化植被指数时间序列影像，通过归一化植被指数变化率计算公式，计算所述多光谱遥感影像的归一化植被指数变化率，其中，所述归一化植被指数变化率计算公式如下所示：
式中，NDVIDifference为归一化植被指数变化率，NDVIt+1和NDVIt为在时间点t+1时和t时多光谱遥感影像的归一化植被指数，Δt为归一化植被指数时间序列的时间分辨率。
5.如权利要求1所述的一种基于多分类概率的农作物遥感识别方法，其特征在于，获取各类农作物对应的样本点数据，具体包括：
获取每类农作物对应的历史样本数据，从所述历史样本数据中提取各个样本点对应像元的样本归一化植被指数时间序列；
基于所述样本归一化植被指数时间序列对各个样本点进行K均值聚类处理，得到并根据每类农作物的聚类结果，对每类农作物的所有样本点进行筛选，得到各类农作物对应的样本点数据。
6.如权利要求1所述的一种基于多分类概率的农作物遥感识别方法，其特征在于，基于所述训练样本点数据对监督分类器进行训练，得到最优监督分类器，具体包括：
基于所述训练样本点数据对监督分类器进行训练，并基于K折交叉验证法对所述监督分类器进行分类精度评估，得到分类器分类精度；
判断所述分类器分类精度是否满足预设精度阈值，若否，则调整所述监督分类器的分类器参数，直至所述分类器分类精度满足预设精度阈值，得到最优监督分类器。
7.如权利要求1所述的一种基于多分类概率的农作物遥感识别方法，其特征在于，分别计算同一判别阈值下每个分类概率区间中像元数占比和所述样本数占比的类欧式距离；其中，所述类欧式距离的计算公式如下所示：
式中，d为类欧式距离，为农作物i的第一影像分类概率在分类概率区间[k,k+0.1]的像元数占比，/>为农作物i的样本分类概率在分类概率区间[k,k+0.1]的样本数占比，a为超参数，取值为0.1，/>为农作物i的第一影像分类概率在分类概率区间[k,k+0.1]的像元数，/>为农作物i的样本分类概率在分类概率区间[k,k+0.1]的样本数，为农作物i的第一影像分类概率在分类概率区间[j,0.9]的像元数总数，为农作物i的样本分类概率在分类概率区间[0,0.9]的样本数总数。
8.一种基于多分类概率的农作物遥感识别装置，其特征在于，包括：研究区遥感影像获取模块、监督分类器训练模块、初始农作物分类空间分布图生成模块、样本分类概率获取模块、影像分类概率获取模块、判别阈值设定模块、相似性评估指标获取模块、最终判别阈值确定模块和最终农作物分类空间分布图生成模块；
其中，所述研究区遥感影像获取模块，用于获取研究区的多光谱遥感影像和合成孔径雷达影像，基于所述多光谱遥感影像和所述合成孔径雷达影像计算植被指数，构建所述研究区的影像集合；
所述监督分类器训练模块，用于获取各类农作物对应的样本点数据，并将所述样本点数据划分为训练样本点数据和验证样本点数据，基于所述训练样本点数据对监督分类器进行训练，得到最优监督分类器；
所述初始农作物分类空间分布图生成模块，用于基于所述最优监督分类器对所述影像集合中的各个像元进行分类，得到各个像元对应的多分类概率，其中，所述多分类概率包括单个像元被分类为各类农作物的分类概率，选取所述多分类概率中的多分类概率最大值，将所述多分类概率最大值作为像元的初始分类概率，并将所述多分类概率最大值对应的农作物类别作为像元的初始农作物分类结果，生成研究区的初始农作物分类空间分布图；
所述样本分类概率获取模块，用于将所述验证样本点数据输入到所述最优监督分类器中，获取并基于所述验证样本点数据中被成功分类的所有验证样本点，提取每类农作物对应的样本分类概率，其中，所述样本分类概率包括该类农作物对应的所有验证样本点数据所在像元被分类为该类农作物的分类概率；
所述影像分类概率获取模块，用于基于初始农作物分类结果，提取每类农作物的影像分类概率，其中，所述影像分类概率包括该类农作物对应的所有像元及每个像元被分类为该类农作物的分类概率；
所述判别阈值设定模块，用于设置多个判别阈值，基于每个判别阈值，分别将所述影像分类概率中小于判别阈值的分类概率对应的像元的农作物类别设置为未知农作物类别，重新得到每个判别阈值下每类农作物的第一影像分类概率；
所述相似性评估指标获取模块，用于在各个判别阈值下，将每类农作物对应的所述样本分类概率和所述第一影像分类概率依据预设的分类概率区间进行划分，计算并基于每个分类概率区间中的像元数占比和样本数占比，分别计算同一判别阈值下每个分类概率区间中像元数占比和所述样本数占比的类欧式距离，并对每个分类概率区间对应的类欧式距离进行求和，得到每个判别阈值对应的相似性评估指标；
所述最终判别阈值确定模块，用于从每个判别阈值对应的相似性评估指标中选取相似性评估指标最小值，并将所述相似性评估指标最小值对应的判别阈值作为未知农作物类别的最终判别阈值；
所述最终农作物分类空间分布图生成模块，用于基于所述最终判别阈值，从初始农作物分类空间分布图中提取初始分类概率小于所述最终判别阈值的第一像元，并将所述第一像元的农作物类别设置为未知农作物，得到研究区的最终农作物分类空间分布图。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的基于多分类概率的农作物遥感识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的基于多分类概率的农作物遥感识别方法。
CN202310180253.0A 2023-02-17 2023-02-17 一种基于多分类概率的农作物遥感识别方法及装置 Active CN116071600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310180253.0A CN116071600B (zh) 2023-02-17 2023-02-17 一种基于多分类概率的农作物遥感识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310180253.0A CN116071600B (zh) 2023-02-17 2023-02-17 一种基于多分类概率的农作物遥感识别方法及装置

Publications (2)

Publication Number Publication Date
CN116071600A CN116071600A (zh) 2023-05-05
CN116071600B true CN116071600B (zh) 2023-08-04

Family

ID=86182027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310180253.0A Active CN116071600B (zh) 2023-02-17 2023-02-17 一种基于多分类概率的农作物遥感识别方法及装置

Country Status (1)

Country Link
CN (1) CN116071600B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645618B (zh) * 2023-06-05 2023-12-08 广东省农业科学院设施农业研究所 农业数据处理方法、系统和存储介质
CN117094430B (zh) * 2023-07-19 2024-04-26 青海师范大学 一种农作物分布预测方法、系统、设备及介质
CN116664959B (zh) * 2023-07-28 2023-11-03 航天宏图信息技术股份有限公司 基于多源卫星遥感的无样本农作物分类方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921885A (zh) * 2018-08-03 2018-11-30 南京林业大学 一种综合三类数据源联合反演森林地上生物量的方法
CN109376786A (zh) * 2018-10-31 2019-02-22 中国科学院深圳先进技术研究院 一种图像分类方法、装置、终端设备及可读存储介质
CN110796034A (zh) * 2019-10-12 2020-02-14 北京达佳互联信息技术有限公司 一种目标对象识别方法、装置、设备及介质
CN113887679A (zh) * 2021-12-08 2022-01-04 四川大学 融合后验概率校准的模型训练方法、装置、设备及介质
CN114972993A (zh) * 2022-05-27 2022-08-30 武汉大学 一种基于遥感影像的覆膜农田识别提取方法
CN115471681A (zh) * 2022-08-12 2022-12-13 北京结慧科技有限公司 图像识别方法、装置及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921885A (zh) * 2018-08-03 2018-11-30 南京林业大学 一种综合三类数据源联合反演森林地上生物量的方法
CN109376786A (zh) * 2018-10-31 2019-02-22 中国科学院深圳先进技术研究院 一种图像分类方法、装置、终端设备及可读存储介质
CN110796034A (zh) * 2019-10-12 2020-02-14 北京达佳互联信息技术有限公司 一种目标对象识别方法、装置、设备及介质
CN113887679A (zh) * 2021-12-08 2022-01-04 四川大学 融合后验概率校准的模型训练方法、装置、设备及介质
CN114972993A (zh) * 2022-05-27 2022-08-30 武汉大学 一种基于遥感影像的覆膜农田识别提取方法
CN115471681A (zh) * 2022-08-12 2022-12-13 北京结慧科技有限公司 图像识别方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
The Effect of NDVI Time Series Density Derived from Spatiotemporal Fusion of Multisource Remote Sensing Data on Crop Classification Accuracy;Rui Sun 等;《isprs International Journal of Geo-Information》;第8卷(第11期);1-17 *

Also Published As

Publication number Publication date
CN116071600A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN116071600B (zh) 一种基于多分类概率的农作物遥感识别方法及装置
Abdullahi et al. Convolution neural network in precision agriculture for plant image recognition and classification
US20200250428A1 (en) Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron
Kaur et al. An approach for characterization of infected area in tomato leaf disease based on deep learning and object detection technique
Zhou et al. A novel greenhouse-based system for the detection and plumpness assessment of strawberry using an improved deep learning technique
CN107103306B (zh) 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法
Deng et al. Cloud detection in satellite images based on natural scene statistics and gabor features
Swain et al. A review on plant leaf diseases detection and classification based on machine learning models
Juwono et al. Machine learning for weed–plant discrimination in agriculture 5.0: An in-depth review
Kunduracioglu et al. Advancements in deep learning for accurate classification of grape leaves and diagnosis of grape diseases
CN116523352B (zh) 一种森林资源信息的管理方法及系统
Kumar et al. Segmentation of rice seedling using deep learning algorithm
Wakhare et al. Development of automated leaf disease detection in pomegranate using Alexnet algorithm
Tran-Thi-Kim et al. Enhancing the classification accuracy of rice varieties by using convolutional neural networks
Megalingam et al. Coconut trees classification based on height, inclination, and orientation using MIN-SVM algorithm
Ghosh et al. The analysis of plants image classification based on machine learning approaches
Kiran et al. Plant Leaf Disease Detection Using Efficient Image Processing and Machine Learning Algorithms
Padmanabhuni et al. An extensive study on classification based plant disease detection system
Kumar et al. A NOVEL WRAPPING CURVELET TRANSFORMATION BASED ANGULAR TEXTURE PATTERN (WCTATP) EXTRACTION METHOD FOR WEED IDENTIFICATION.
Bandara et al. Detection and classification of rice plant diseases using image processing techniques
Poojari et al. Identification and solutions for grape leaf disease using convolutional neural network (CNN)
Sahu et al. Self‐adaptive‐deer hunting optimization‐based optimal weighted features and hybrid classifier for automated disease detection in plant leaves
Ulutas et al. A fast and accurate method for classifying tomato plant health status using machine learning and image processing
Verma et al. A review on land cover classification techniques for major fruit crops in India-Present scenario and future aspects
Tian et al. Recognition Method of Corn and Rice Crop Growth State Based on Computer Image Processing Technology

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant